بدون دانستن حق شماست ، بیشتر بدانید
سایت بدون – وقتی هم اطلاعات فردی (که مختص به فرد یا رویداد خاصی است) و هم اطلاعات پایه (که اطلاعات آماری و عینی هستند) ارائه می‌شود، ما تمایل داریم به اطلاعات خاص ارزش بیشتری بدهیم و معمولاً اطلاعات پایه را به‌کلی نادیده بگیریم. به این پدیده، خطای نرخ پایه یا نادیده‌گرفتن نرخ پایه گفته می‌شود.
این مغالطه کجا رخ می دهد
این تعصب زمانی رخ می‌دهد که فرد بر اساس اطلاعات خاص و شخصی‌شده قضاوت می‌کند و اطلاعات آماری و پایه را نادیده می‌گیرد. اگر تا به حال دانشجو بوده‌اید، احتمالاً با کلیشه‌های مختلفی که به رشته‌های تحصیلی گوناگون نسبت داده می‌شود، آشنا هستید. به عنوان مثال، دانشجویان مهندسی اغلب به عنوان سخت‌کوش اما خودرای، دانشجویان کسب‌وکار به عنوان افرادی مرتب و مغرور، و دانشجویان هنر به عنوان فعالانی با سبک پوششی خاص توصیف می‌شوند. این کلیشه‌ها، تعمیم‌های گسترده‌ای هستند که معمولاً از واقعیت فاصله دارند؛ با این حال، اغلب برای پیش‌بینی رفتارهای افراد استفاده می‌شوند.
دانشمندان رفتارشناسی مشهور، دنیل کانمن و آموس تورسکی، تحقیقی انجام دادند که در آن به شرکت‌کنندگان توصیفی از شخصیت دانشجوی تخیلی فارغ‌التحصیل به نام “تام و.” ارائه شد. شرکت‌کنندگان فهرستی از ۹ رشته تحصیلی دریافت کرده و خواسته شد احتمال اینکه تام در کدام رشته تحصیل می‌کند را رتبه‌بندی کنند. در آن زمان، تعداد دانشجویان رشته‌های آموزش و علوم انسانی بسیار بیشتر از علوم کامپیوتر بود، اما ۹۵ درصد از شرکت‌کنندگان احتمال دادند که تام در رشته علوم کامپیوتر تحصیل می‌کند و این نتیجه‌گیری تنها بر اساس توصیف شخصیتی، یعنی اطلاعات فردی، انجام شد و کاملاً اطلاعات پایه نادیده گرفته شد.
همان‌قدر که یک نفر در کلاس انتخابی تاریخ شما ممکن است ظاهری شبیه به دانشجویان پزشکی داشته باشد و رفتارش هم این تصور را تقویت کند، احتمال اینکه واقعاً دانشجوی پزشکی باشد بسیار کم است. معمولاً تنها حدود صد نفر در برنامه‌های پزشکی تحصیل می‌کنند، در مقایسه با هزاران دانشجویی که در دانشکده‌های دیگری مثل مدیریت یا علوم ثبت‌نام کرده‌اند. قضاوت‌های سریع درباره افراد بسیار آسان است، زیرا اطلاعات خاص معمولاً بر اطلاعات آماری پایه سایه می‌اندازد.
تأثیرات فردی
خطای نرخ پایه می‌تواند ما را در جنبه‌های مختلف زندگی به سوی قضاوت‌های نادرست در مورد احتمال وقوع پدیده‌ها هدایت کند. همان‌طور که کانمن و تورسکی در مثال پیشین نشان دادند، این تعصب باعث می‌شود که بر اساس برداشت‌های اولیه خود، به سرعت درباره افراد قضاوت کنیم. در نتیجه، ممکن است تصورات پیش‌فرضی درباره افراد شکل دهیم و کلیشه‌های بالقوه زیانباری را تقویت کنیم.
این خطا همچنین می‌تواند بر تصمیمات مالی ما تأثیر بگذارد و باعث شود به تغییرات گذرای سرمایه‌گذاری‌هایمان واکنش بیش از حد نشان دهیم. اگر آمار نرخ پایه نشان‌دهنده رشد مداوم باشد، احتمال دارد هرگونه عقب‌گرد تنها موقتی باشد و شرایط دوباره به مسیر رشد بازگردد. با این حال، اگر اطلاعات پایه را نادیده بگیریم، ممکن است وسوسه شویم سهام خود را بفروشیم، زیرا ممکن است پیش‌بینی کنیم که ارزش سهام همچنان کاهش می‌یابد.
تأثیرات سیستماتیک
تأثیرات فردی خطای نرخ پایه می‌تواند در قضاوت‌های احتمالی درباره دیگران به چالش‌های مهمی منجر شود، مثل زمانی که یک پزشک بخواهد بیماری را تشخیص دهد. کانمن و تورسکی در کتاب خود قضاوت تحت عدم قطعیت: میانبرها و تعصبات (۱۹۸۲)، به مطالعه‌ای اشاره کردند که سناریوی زیر را به شرکت‌کنندگان ارائه داد: «اگر آزمایشی برای تشخیص بیماری با شیوع ۱ در ۱۰۰۰ انجام شود و نرخ خطای مثبت کاذب آن ۵ درصد باشد، احتمال اینکه شخصی که نتیجه آزمایشش مثبت شده واقعاً به بیماری مبتلا باشد چقدر است؟»
نیمی از شرکت‌کنندگان پاسخ ۹۵ درصد دادند، میانگین پاسخ‌ها ۵۶ درصد بود، و تنها تعداد کمی از شرکت‌کنندگان به پاسخ درست ۲ درصد دست یافتند. اگرچه شرکت‌کنندگان این مطالعه خود پزشک نبودند، این مثال اهمیت این نکته را نشان می‌دهد که متخصصان پزشکی باید از نرخ پایه آگاه باشند و مرتکب این خطا نشوند. فراموش کردن در نظر گرفتن اطلاعات پایه می‌تواند به‌طور قابل‌توجهی بر سلامت روانی بیمار تأثیر منفی بگذارد و پزشکان را از بررسی علل دیگر بازدارد، چرا که احتمال ۹۵ درصدی به نظر بسیار قطعی می‌آید.
چرا این خطا رخ می‌دهد؟
چندین توضیح برای چرایی رخ‌دادن خطای نرخ پایه ارائه شده است، اما دو نظریه بیش از بقیه برجسته‌اند. نظریه نخست بر اهمیت موضوع تأکید دارد و این‌گونه استدلال می‌کند که اطلاعات پایه را نادیده می‌گیریم، زیرا آن‌ها را بی‌اهمیت می‌پنداریم و در نتیجه احساس می‌کنیم که باید کنار گذاشته شوند. نظریه دوم نیز خطای نرخ پایه را ناشی از میانبر بازنمایی (representativeness heuristic) می‌داند.
اهمیت
در مقاله‌ای در سال ۱۹۸۰ به‌نام خطای نرخ پایه در قضاوت‌های احتمالی، مایا بار-هیلل به محدودیت‌های نظریات قبلی پرداخته و توضیح جایگزینی به نام اهمیت ارائه می‌دهد. به طور خاص، ما اطلاعات پایه را نادیده می‌گیریم زیرا آن را برای قضاوت خود بی‌ربط می‌دانیم.
بار-هیلل معتقد است که قبل از قضاوت، اطلاعات به سطوح مختلف اهمیت دسته‌بندی می‌شوند. اگر چیزی بی‌ربط تشخیص داده شود، آن را کنار می‌گذاریم و در نتیجه‌گیری خود لحاظ نمی‌کنیم. این بدان معنا نیست که ما توانایی ادغام آن اطلاعات را نداریم، بلکه آن را به‌اشتباه کم‌ارزش می‌پنداریم. این گرایش باعث می‌شود که اطلاعات حیاتی را نادیده بگیریم، به برخی از اطلاعات بیشتر از حد لازم بها دهیم یا تنها بر یک منبع اطلاعات تمرکز کنیم، در حالی که باید چندین منبع را با هم ترکیب کنیم.
بار-هیلل همچنین توضیح می‌دهد که بخش از دلیل اینکه برخی اطلاعات را مرتبط‌تر از دیگران می‌دانیم، خاص بودن آن‌هاست. هرچه اطلاعات خاص‌تر باشد، به‌نظر مرتبط‌تر می‌آید. اطلاعات فردی (individuating) به طور طبیعی بسیار خاص است و ما آن را بسیار مرتبط قلمداد می‌کنیم. از سوی دیگر، اطلاعات پایه بسیار کلی است، و به همین دلیل آن را کم‌اهمیت می‌دانیم. این درجات متفاوت خاص بودن باعث می‌شوند که در تصمیم‌گیری‌ها فقط اطلاعات فردی را لحاظ کنیم، در حالی که اغلب اطلاعات پایه شاخص بهتری از احتمال هستند و نادیده گرفتن آن‌ها می‌تواند دقت قضاوت‌های ما را به خطر بیندازد.
بازنمایی (Representativeness)
بار-هیلل معتقد است که بازنمایی به تنهایی نمی‌تواند علت خطای نرخ پایه باشد، زیرا نمی‌تواند همه زمینه‌ها را پوشش دهد. با این حال، بازنمایی همچنان در این خطا نقش دارد، به‌ویژه در مثال تام و. که توسط کانمن و تورسکی شرح داده شد.
میانبر بازنمایی که توسط کانمن و تورسکی معرفی شد، تمایل ما را به قضاوت درباره احتمال براساس شباهت چیزی به نمونه اولیه (پروتوتایپ) آن دسته توصیف می‌کند.
بیایید این را کمی توضیح دهیم: به طور کلی، ما اشیا و وقایع را بر اساس ویژگی‌های مشابه به دسته‌های ذهنی گروه‌بندی می‌کنیم. هر دسته دارای یک نمونه اولیه است: میانگین نمونه‌ای از تمام اعضای آن دسته. هرچه چیزی بیشتر به آن نمونه اولیه شباهت داشته باشد، احتمال تعلق آن به آن دسته را بیشتر می‌پنداریم. میانبر بازنمایی باعث شکل‌گیری خطای نرخ پایه می‌شود، وقتی رویدادی یا شیء‌ای را بسیار نمایانگر یک گروه بدانیم و بر همین اساس احتمال را قضاوت کنیم، بدون در نظر گرفتن اطلاعات پایه.
بازگردیم به مثال تام و.، شرکت‌کنندگان فقط بر اساس ظاهر شخصیت کارتونی، رشته تحصیلی او را نتیجه‌گیری کردند. آن‌ها او را نماینده‌ای از دانشجویان علوم کامپیوتر در نظر گرفتند و بر همین اساس احتمال تحصیل او در این رشته را بیشتر دانستند، نه رشته‌هایی که در آن زمان تعداد دانشجویانشان بسیار بیشتر بود. از آنجا که تعداد دانشجویان رشته‌های آموزش و علوم انسانی به‌مراتب بیشتر بود، احتمال اینکه تام در یکی از آن رشته‌ها باشد نیز بیشتر بود، اما گرایش به بازنمایی باعث شد شرکت‌کنندگان اطلاعات پایه را نادیده بگیرند و در نتیجه پیش‌بینی نادرستی درباره احتمال بکنند.
چرا این مسئله مهم است
در مواردی، تکیه بر اطلاعات فردی به ما کمک می‌کند تا استثنائات یا موارد غیرعادی که خارج از محدوده احتمال هستند را درک کنیم. با این حال، در بیشتر مواقع، نادیده گرفتن کامل اطلاعات پایه به قضاوت‌های نادرست منجر می‌شود، چرا که به جای آمار و ارقام به کلیشه‌ها تکیه می‌کنیم.
البته، اشتباه گرفتن رشته یا حرفه کسی ممکن است خیلی مهم نباشد. اما خطای نرخ پایه منجر به فرضیات بی‌اساس درباره افراد می‌شود که می‌توانند عواقب واقعی داشته باشند. برای مثال، ممکن است تصور کنیم همکار ما به دلیل نژاد یا دینش احتمال بیشتری دارد که مرتکب جرم شود، حتی اگر آمار نشان دهد که این باور حقیقت ندارد. برای مقابله با پیش‌داوری‌ها و اطمینان از برخورد منصفانه با همه، باید یاد بگیریم چگونه این خطا را به‌طور کامل از بین ببریم.
چگونه از این خطا پرهیز کنیم
برای جلوگیری از این خطا، باید بیشتر به اطلاعات پایه‌ای که در دسترس داریم توجه کنیم و تشخیص دهیم که اطلاعات فردی پیش‌بینی‌کننده چندان قابل‌اعتمادی برای رفتار آینده نیستند. این کار نیازمند آن است که هنگام ارزیابی احتمال وقوع یک رویداد، تعمق بیشتری داشته باشیم. بازگشت به فرآیندهای ساده و خودکار قضاوت کردن را آسان‌تر می‌کند، اما این امر خطر خطا را به شدت افزایش می‌دهد. با آگاهی از این خطا و تلاش برای مقابله با آن، می‌توانیم دفعات وقوع آن را کاهش دهیم و درک بهتری از دنیای اطرافمان داشته باشیم.
چگونه همه‌چیز شروع شد
صحبت درباره خطای نرخ پایه بدون ذکر کانمن و تورسکی غیرممکن است. مقاله آن‌ها در سال ۱۹۷۳ به‌نام روان‌شناسی پیش‌بینی نشان می‌دهد که میانبر بازنمایی می‌تواند باعث بروز این خطا شود. آن‌ها این مفهوم را از طریق مطالعه معروف تام و. به نمایش گذاشتند، که در آن شرکت‌کنندگان پیش‌بینی‌های خود را بر اساس توصیف شخصیتی انجام دادند و تعداد دانشجویان ثبت‌نام شده در هر رشته را نادیده گرفتند.
توضیح اولیه دیگر درباره خطای نرخ پایه، مقاله مایا بار-هیلل در سال ۱۹۸۰ با عنوان خطای نرخ پایه در قضاوت‌های احتمالی است. او این خطا را به این صورت توصیف می‌کند: «تمایل افراد به نادیده گرفتن نرخ‌های پایه به نفع، برای مثال، اطلاعات فردی (هنگامی که در دسترس است)، به جای ترکیب این دو.» در این مقاله، بار-هیلل به محدودیت‌های توضیح تورسکی و کانمن اشاره کرده و نظریه‌ای جایگزین برای توضیح این خطا ارائه می‌دهد.
بار-هیلل به‌طور خاص ارتباط ذهنی را به‌عنوان عامل اصلی این خطا مطرح می‌کند. او پیشنهاد می‌دهد که هرچه اطلاعات خاص‌تر باشد، ارتباط بیشتری به آن اختصاص می‌دهیم. از این رو، به اطلاعات فردی توجه می‌کنیم زیرا خاص هستند و بنابراین مرتبط تلقی می‌شوند، در حالی که اطلاعات پایه به دلیل عمومی بودن کم‌اهمیت‌تر در نظر گرفته می‌شوند و نادیده گرفته می‌شوند.
مثال ۱ – مسئله تاکسی‌ها
این مثال کلاسیک از خطای نرخ پایه در مقاله اصلی بار-هیلل ارائه شده است. ابتدا به شرکت‌کنندگان اطلاعات نرخ پایه داده می‌شود. در یک شهر خیالی دو شرکت تاکسی‌رانی وجود دارد که بر اساس رنگ تاکسی‌هایشان نامگذاری شده‌اند: شرکت “سبز” و شرکت “آبی”. از تمامی تاکسی‌های این شهر، ۸۵٪ آبی و ۱۵٪ سبز هستند.
سپس پژوهشگران سناریوی فرضی‌ای را مطرح می‌کنند که در آن یک شاهد یک تاکسی درگیر در تصادف را به عنوان تاکسی سبز شناسایی می‌کند. برای ارزیابی اعتبار شاهد، دادگاه توانایی او در تشخیص بین تاکسی‌های آبی و سبز را بررسی می‌کند. نتایج نشان می‌دهد که شاهد می‌تواند ۸۰٪ مواقع رنگ‌ها را به درستی تشخیص دهد اما ۲۰٪ مواقع دچار اشتباه می‌شود. پس از شنیدن این سناریو، شرکت‌کنندگان احتمال اینکه تاکسی درگیر واقعاً سبز باشد را پیش‌بینی کردند.
بیشتر شرکت‌کنندگان احتمال درست شناسایی تاکسی سبز توسط شاهد را ۸۰٪ تخمین زدند. با این حال، این پاسخ به خطای نرخ پایه دچار شده است. اطلاعات نرخ پایه نشان داده که تنها ۱۵٪ تاکسی‌های شهر سبز هستند، و احتمال واقعی اینکه شاهد درست گفته باشد ۴۱٪ است. این احتمال باید با استفاده از آمار استنباطی محاسبه شود که هم درصد هر رنگ تاکسی در شهر و هم احتمال اینکه شاهد توانسته رنگ‌ها را در شب درست تشخیص دهد، را در نظر می‌گیرد.
مثال ۲ – چقدر اهدا می‌کنید؟
در مقاله‌ای در سال ۲۰۰۰ با عنوان آیا خود را برتر از دیگران دانستن ناشی از خطاهای پیش‌بینی شخصی یا اجتماعی است؟، نیکلاس ایپلی و دیوید دانینگ دریافتند که هنگام پیش‌بینی رفتار خودمان، تمایل به خطای نرخ پایه داریم چون به اطلاعات فردی فراوانی درباره خودمان دسترسی داریم. در پژوهش آن‌ها، به دانشجویان پنج دلار داده شد و از آن‌ها خواسته شد پیش‌بینی کنند چقدر از این پول را به خیریه اهدا می‌کنند و همچنین حدس بزنند افراد دیگر چقدر اهدا می‌کنند. بعد از پیش‌بینی اولیه، شرکت‌کنندگان از میزان اهدای ۱۳ نفر از همتایان خود مطلع شدند و این فرصت را داشتند که بعد از مشاهده اهدای نفر سوم، هفتم و سیزدهم، پیش‌بینی خود را بازبینی کنند.
در کل، شرکت‌کنندگان خود را سخاوتمندتر از همتایان خود می‌دانستند. میانگین پیش‌بینی اولیه برای اهدای خودشان حدود ۲.۷۵ دلار بود، در حالی که میانگین پیش‌بینی برای دیگران حدود ۲.۲۵ دلار بود. اما میانگین واقعی اهدای انجام‌شده ۱.۵۰ دلار بود. در هر سه نقطه زمانی که به آن‌ها فرصت بازبینی داده شد، شرکت‌کنندگان پیش‌بینی‌هایشان برای دیگران را به نرخ پایه نزدیک کردند. پس از مشاهده همه ۱۳ اهدای همتایانشان، میانگین پیش‌بینی آن‌ها برای دیگران تقریباً مشابه میانگین واقعی ۱.۵۰ دلار بود. اما جالب اینجاست که پیش‌بینی‌هایشان برای خودشان تغییری نکرد، حتی با دسترسی به اطلاعات نرخ پایه بیشتر.
دلیل اینکه شرکت‌کنندگان در پیش‌بینی رفتار دیگران از اطلاعات نرخ پایه استفاده کردند این بود که اطلاعات فردی خاصی در مورد آن‌ها نداشتند. بنابراین مجبور بودند فقط به اطلاعات نرخ پایه تکیه کنند. اما هنگام پیش‌بینی رفتار خودشان، از شخصیت و رفتارهای گذشته خود به عنوان اطلاعات فردی استفاده کردند. از آنجا که ما به اطلاعات فردی بیشتر از نرخ پایه اهمیت می‌دهیم، آن‌ها پیش‌بینی‌های خود را برای خودشان اصلاح نکردند، حتی با وجود دسترسی به اطلاعات نرخ پایه.
این امر نشان می‌دهد که در صورت عدم دسترسی به اطلاعات فردی خاص، ما از اطلاعات نرخ پایه در پیش‌بینی‌هایمان استفاده می‌کنیم. اما به محض دسترسی به اطلاعات فردی، به آن تکیه می‌کنیم و آن را جایگزین اطلاعات نرخ پایه می‌کنیم.
